基于不完备时序数据的农作物动态识别方法研究

发布时间：2020-11-07 16:01

　　 及时、精确的农作物空间分布信息可以为粮食估产、土地适宜性评价及土地休耕与复垦等应用提供基础数据。基于时间序列数据的农作物识别方法能够充分利用各种作物的生长规律及物候特征,提高农作物分类精度,成为目前普遍采用的遥感作物信息提取与类型识别的解决方案。但该类方法一般依赖完整的时序数据,使得农作物制图获取存在延迟,导致其应用价值降低。因此,研究及时的、可动态更新的农作物类型识别方法具有重要的现实意义。实现此类方法的主要困难在于:(1)中等分辨率的时间序列数据是稀疏的、时间采样不规则的以及部分数据缺失的,从而使得不同年份获取数据的日期不一致,降低了不同年份的特征向量间的可比性;(2)农作物更新时仅有前期的部分时间序列数据,无法进行拟合等操作,使得传统的时间序列分类方法难以直接利用。综合以上分析,本文设计实现一种面向不完备时序数据的动态农作物识别方法,主要工作和结论如下:(1)提出了一种农作物动态识别分类方法。LSTM等循环神经网络在进行农作物分类时,需要获取所有节点的隐藏层状态进行综合判断从而确定样本类别,难以满足农作物提前识别以及动态更新制图的需要。对此,本文首先提出一种改进策略,直接提取LSTM从起始至当前时刻的隐藏层状态形成状态向量,经池化层和全连接层处理后得到网络当前所识别类型,从而实现利用参考年的时序数据动态训练分类器;再根据兴趣年的部分前期时序数据输入,不断更新农作物分类制图。据我们所知,这是首次将LSTM网络用于遥感农作物动态识别并可获取具有良好一致性分类结果的实验。(2)提出了一种部分维度缺失的时间序列数据重建方法。针对由于传感器选择性观测、云和云阴影等因素导致的时序数据存在稀疏、采样时间不规则和部分关键数据缺失等问题,本文首先设计了基于判别规则的噪声检测算法来检测原始数据中的噪声点,再将去噪后的时序数据通过优化后的双Logistic模型进行曲线拟合,并用拟合值代替缺失值,从而获得无缝的时间序列观测值,满足农作物识别需求。在上述基础上,本文以我国安徽省寿县作为研究区,以该区域的主要农作物作为研究对象,使用2017年5月至2019年3月的哨兵二号时序影像以及统计数据作为主要研究数据,使用本文动态识别方法对研究区采集的样本数据进行分类。实验结果表明,使用本文方法可获得95.1%的整体分类精度,其中,秋收作物分类精度为96.4%,夏收作物分类精度为93.8%,所有分类精度均显著高于使用随机森林方法所得精度;同时,结合专家解译和实地调查验证了方法的有效性,并评估了方案对研究区农业人保险等应用的支持效果。在未来的工作中,我们将进一步研究本文方法在多源影像数据集、多尺度方面的拓展,以及联合应用不同遥感指标时间序列增强方法的鲁棒性。
【学位单位】：浙江工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S127;TP751
【部分图文】：

[53]。图1-1 (a)传统神经网络及(b)RNN网络Figure 1-1. (a)Traditional neural network model and (b)RNN network model将 RNN 结构在时间域上展开可得到图 1-2 结构（Goodfellow I，2016）：图1-2单向RNN标准结构及时间域上展开形式[54]Figure 1-2. General structure of a regular unidirectional RNN and unfolded in timeRNN 输入单元的输入集标记为 (0) (1) ( ) ( 1) ( )X , , , , , ,t t nx x x x x ，输出单元的输出集标记为 (0) (1) ( ) ( 1) ( )O , , , , , ,t t no o o o o ，隐藏单元的输出集标记为 (0) (1) ( ) ( 1) ( )S , , , , , ,t t ns s s s s ，W 、U 、V 分别表示隐藏层神经元之间的权重系数，输入层到隐藏层的权重系数以及隐藏层到输出层的权重系数。此外，

71-2单向RNN标准结构及时间域上展开形式[54]ral structure of a regular unidirectional RNN and unf的输入集标记为 (0) (1) ( ) ( 1) ( )X , , , , , ,t t nx x x x x (0) (1) ( ) ( 1) ( ) , , , , , ,t t no o o o o ，隐藏单元的 ( 1) ( ), , ,t ns s ，W 、U 、V 分别表示隐藏层神隐藏层的权重系数以及隐藏层到输出层的权重

基于不完备时序数据的农作物动态识别方法研究4）作物动态分类网络模型的构建不完备时序指标数据重建的基础上，利用 LSTM 网络挖掘作物指标系，实现基于时序指标的作物识别方法；设计分类模型的增量式训练渐累积的时间序列数据实现动态修正识别结果，同时保证不同年份的一致性；通过专家解译结合实地验证，开展方法精度验证及其评
【相似文献】

相关期刊论文 前10条

1 王妙琼;魏凯;姜春宇;;工业互联网中时序数据处理面临的新挑战[J];信息通信技术与政策;2019年05期

2 黄雄波;;基于自相关函数的非平稳时序数据的辨识改进[J];微型机与应用;2016年13期

3 尚继霞;;基于时序数据的辽宁省环境库兹涅茨曲线实证分析[J];统计与咨询;2013年04期

4 钟清流;蔡自兴;;基于统计特征的时序数据符号化算法[J];计算机学报;2008年10期

5 王兴家;汪晓惠;赵超;;基于神经网络的混沌时序数据失真检测方法研究[J];重庆交通大学学报(自然科学版);2007年06期

6 郝善勇,刘玉树;基于样本数据重抽样的时序数据预报方法[J];北京理工大学学报;2000年05期

7 骆金维;曾德生;郭雅;黄富平;;时序数据并行压缩速率改进技术研究[J];电子设计工程;2018年20期

8 林芝,曹加恒,刘娟,韦丰;基于信息论网络的时序数据库挖掘[J];计算机工程与应用;2003年01期

9 郑斌祥,杜秀华,席裕庚;一种时序数据的离群数据挖掘新算法[J];控制与决策;2002年03期

10 朱明,蔡庆生;基于约束满足的相似时序数据的搜索算法[J];计算机工程;2000年01期

相关博士学位论文 前7条

1 吴吉庆;面向Internet的时序数据快速分发技术研究[D];国防科学技术大学;2011年

2 张贵生;数据驱动的金融时间序列预测模型研究[D];山西大学;2016年

3 何周舟;基于时序数据的结构学习与模式预测联合优化算法研究[D];浙江大学;2016年

4 白天;连分式方法在脉冲去噪、时序数据压缩及视频镜头检测中的应用研究[D];合肥工业大学;2014年

5 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年

6 叶红梅;面向流域生态安全的景观格局演变研究[D];华中科技大学;2009年

7 钟清流;时序、图像特征检测的理论、方法及应用研究[D];中南大学;2008年

相关硕士学位论文 前10条

1 陈洋;基于视频的行人重识别方法研究[D];华中科技大学;2019年

2 陈远杰;基于覆盖模型的遥感时序数据互操作计算应用研究[D];福州大学;2018年

3 陈骁;基于不完备时序数据的农作物动态识别方法研究[D];浙江工业大学;2019年

4 罗永洪;基于生成对抗网络的时序数据缺失值填充算法研究[D];南开大学;2019年

5 杨超;面向工业大数据的可视化系统设计与实现[D];电子科技大学;2019年

6 宁顺成;基于遥测时序数据的航天器异常检测技术应用研究[D];哈尔滨工业大学;2019年

7 王超;云环境中时序数据的预测和异常检测算法的研究[D];南京大学;2019年

8 舒伟博;时序数据二分类问题的等距短shapelet转换算法[D];中国科学技术大学;2019年

9 刘雷;面向时序数据的离群点异常检测技术应用研究[D];中央民族大学;2019年

10 赵显静;面向时序数据的不确定性知识表示及预测[D];重庆邮电大学;2018年

本文编号：2874165